對于人工智能的理解，基本上來自于科幻電影。那么，致力于人工智能領(lǐng)域的世界頂尖專家究竟在做什么、在想什么。今年是美國人工智能協(xié)會 （ AAAI – the Association for the Advance of Artificial Intelligence）組織首次在冬天舉辦旗幟性年會：AAAI 2015大會。鑒于此，我們共同探討人工智能與機器人技術(shù)相關(guān)問題。

　　人工智能研究的道德問題：與人工智能有關(guān)的職業(yè)和社會道德問題是主題演講中最熱門的話題。最近一段時間這個問題似乎確實受到了整個社會的廣泛關(guān)注。一些為大眾所熟知的科技明星，如 Stephen Hawking和Elon Musk，表達了人工智能技術(shù)的突破會對人類自身構(gòu)成威脅的擔憂。而加州大學伯克利分校計算機系教授Stuart Russell（目前最權(quán)威的人工智能專著的作者）則在他的主題演講中表示：現(xiàn)有人工智能技術(shù)水平距離引發(fā)“機器人統(tǒng)治人類”之類的風險還為時尚早。不過，他也認為人工智能技術(shù)的研究和應(yīng)用與核武器、生化技術(shù)、基因技術(shù)等其他影響巨大的技術(shù)一樣，應(yīng)該受到規(guī)范化約束?！?a target="_blank">ACM通訊”雜志的主編Moshe Vardi教授做了一個關(guān)于人工智能技術(shù)進步引發(fā)的失業(yè)問題的主題演講。他提到以往的幾次技術(shù)革命在導致失業(yè)的同時也創(chuàng)造了大量新型工作。但人工智能技術(shù)的發(fā)展有可能從本質(zhì)上對創(chuàng)造新工種貢獻有限，從而在整體上對就業(yè)產(chǎn)生負面影響。另外，大會還組織了一個關(guān)于自治武器的倫理問題的公開辯論也相當有趣。

　　對人工智能技術(shù)的這一波“擔憂”浪潮實際上反映了外界對人工智能技術(shù)近年來進步的認可（我猜一些人工智能領(lǐng)域的學者在聽到這些“質(zhì)疑”時其實是欣慰遠大于困擾吧）。也許與“機器是否會過于聰明”相比，“機器是否已經(jīng)真如公眾想象的那樣聰明”才是更值得人工智能學界擔心的問題。從歷史上看，人們對機器智能水平的理解似乎極易產(chǎn)生偏差，往往一開始過于高估，覺得它們無所不能，然而在發(fā)現(xiàn)機器能力達不到他們的想象之后又轉(zhuǎn)向過于低估，覺得現(xiàn)有的技術(shù)什么都不是。這兩種看法又經(jīng)常在媒體的推波助瀾下走向極端化，長期來看無論是哪種極端化看法都會對正常嚴謹?shù)娜斯ぶ悄苎芯吭斐韶撁嬗绊憽?/p>

　　人工智能與機器人技術(shù)

　　“人工智能與機器人技術(shù)”是AAAI 2015大會的一個主題。從學科基礎(chǔ)看，人工智能學科從“什么是智能”的哲學問題出發(fā)，從原理上研究在“智能行為機械化”過程中的一些根本限制和技術(shù)原則。另一方面機器人學科則從工程應(yīng)用的角度出發(fā)，考慮如何實際制造滿足特定“智能化”要求的機器。兩個領(lǐng)域本應(yīng)是相輔相成的關(guān)系，機器人領(lǐng)域為人工智能領(lǐng)域提供實驗和實踐的機會，而人工智能領(lǐng)域為機器人領(lǐng)域提供知識儲備和技術(shù)工具。”但事實上兩個領(lǐng)域的研究在很大程度上是相互脫節(jié)獨立發(fā)展的。所以現(xiàn)在人們開始考慮如何加強這兩個領(lǐng)域的合作和相互滲透”，本次大會的學術(shù)委員會主席Sven Koenig教授在一次交談中提到。事實上美國國家科學基金會（NSF-National Science Foundation）專門就這個問題在會議期間組織了一個專題研討會（只有受邀的領(lǐng)域?qū)＜也拍軈⒓樱?/p>

　　在公開活動中，大會隆重舉行了一個對機器人項目“Shakey， the robot”的紀念活動。上世紀60年代末到70年代中期，幾個研究員為設(shè)計制造一個名為Shakey的機器人發(fā)明了一系列后來影響廣泛的人工智能技術(shù)，包括啟發(fā)式搜索中的A*算法，自動規(guī)劃中的STRIP模型，計算機視覺中的霍夫變換，以及如今幾乎已成為標準的機器人系統(tǒng)框架。在紀念活動中領(lǐng)銜發(fā)言的是人工智能領(lǐng)域元老級人物Edward Feigenbaum教授，他以一篇極具感染力的演講高度評價了Shakey項目的巨大影響。有趣的是，以他的名字命名的Feigenbaum獎也同時在紀念活動中頒發(fā)，而今年獲獎?wù)呤俏④浝椎旅裳芯吭旱脑洪LEric Horvitz。Feigenbaum獎是當今人工智能界的一個主要獎項，用來獎勵對人工智能的實驗方面研究做出突出貢獻的個人和團體。

　　圖靈測試的改進方案

　　去年關(guān)于Eugene Goostman通過圖靈測試的新聞似乎讓一些研究者們看到一個“推翻”圖靈測試的好機會。他們先后組織了一個專題研討會和一個正式會議，主題都叫“Beyond Turing Test”。會議期間，研究者們提出了一些新的機器智能的測試標準，試圖代替圖靈測試。其中有兩個標準是比較有影響力的：

　　The Winogard Schema Challenge 這是一個旨在取代“有缺陷的”圖靈測試的測試方案。這個方案的基本思想是限制圖靈測試中對話的內(nèi)容。在標準的圖靈測試中人類提問者可以問任意問題，但在Winogard Schema Challenge中所有問題都有關(guān)自然語言中的代詞理解。不過，在和這個挑戰(zhàn)的主辦方交流之后，我個人感覺這個方案真正的關(guān)鍵似乎在于他們只允許人類專家參與提問，而不像標準圖靈測試中是普通人在提問。而代詞理解，盡管被聲稱是“關(guān)鍵思想”，其實可以被看作只是對我們應(yīng)該如何在圖靈測試中提問的一種“建議”。但我個人并不覺得這個建議對人類專家是必要的。比如我——作為人工智能領(lǐng)域一個普通的研究員——很有自信可以在圖靈測試中分辨出任何當下的聊天機器人，即使不使用這類代詞理解問題。所以在我看來，真正的問題是要找“對”的人，而不是找“對”的問題。從這個角度說，我并不認為目前有特別必要的理由真的要取代現(xiàn)有的圖靈測試。也許我們應(yīng)該做的是規(guī)范化圖靈測試在執(zhí)行層的一些細節(jié)，例如更好地挑選甚至培訓參與圖靈測試的人類提問者。

　　The Aristo Challenge 這是另一個要求計算機通過我們在中小學里常見的期中或期末考試的測試方案?？荚噧?nèi)容一般包括算術(shù)，幾何，和一些常識問題等等。另外還有一些題目需要考生結(jié)合文字和圖片內(nèi)容進行理解和作答?，F(xiàn)在的人工智能技術(shù)在這類考試中能達到大概小學4年級水平。我個人覺得這個挑戰(zhàn)更有趣一些。不過，如果站在“測試機器是否具有智能的方案”的高度，你仍然很難說如果真有計算機通過了所有中學考試是否它就一定具有智能。在我看來，和仔細設(shè)計的圖靈測試相比，似乎還是這個方案更有可能被破解，就像國際象棋或者“危險邊緣“競賽那樣。

　　自動游戲博弈的新突破

　　最近該領(lǐng)域的一個階段性成果是，***的一個最基本的版本被近似完美解決了，具體就是說研究員們顯式地找到一個博弈策略，其平均收益與（這個游戲的一個）納什均衡策略的差距比連續(xù)玩這個游戲70年之后結(jié)果的隨機波動還要小。這個結(jié)果發(fā)表在一月份的一期《科學》雜志上，而項目的主要負責人Michael Bowling教授在會議期間就這項成果做了一個主題演講。

　　會議期間同時舉行了General Game Playing比賽。這項比賽要求計算機在沒有人類手工輸入領(lǐng)域知識的情況下進行棋類游戲博弈。為了保證這一點，比賽組織方會維護一個包括各種不同游戲的列表，每項游戲的基本規(guī)則都用一套通用語言進行形式化表述，并且只在比賽當時才輸入給計算機。另外組織者還進行了一場有趣的“碳硅大戰(zhàn)“，也就是讓人跟比賽中優(yōu)勝的計算機在這個比賽規(guī)則下比賽，結(jié)果是機器取得勝利。

　　規(guī)劃、決策、約束補償、優(yōu)化、與搜索算法

　　這些都是人工智能的傳統(tǒng)領(lǐng)域。讓我其實有一點意外的是，這次會上相當多這些領(lǐng)域里的論文是關(guān)于蒙特卡洛樹搜索法（Monte Carlo Tree Search）的內(nèi)容——一個從計算機圍棋領(lǐng)域發(fā)展而來的技術(shù)。而我這次在會議中做的論文報告正是關(guān)于如何結(jié)合Monte Carlo Tree Search與傳統(tǒng)的搜索算法，從而設(shè)計更為通用的人工智能算法。盡管論文主要討論在假設(shè)最差情況下如何規(guī)劃（adversarial planning），我相信論文的主要結(jié)果同樣適用于更為一般的情況，例如基于概率的規(guī)劃問題。

　　另外有些關(guān)于算法選擇（Algorithm Selection）的論文，討論如何通過增強學習等技術(shù)解決組合優(yōu)化問題?；舅枷胧钦f，一般而言每一個單獨的算法在解決這類問題時都有自己的“盲點”，也就是在最差情況下性能很差（所謂的“NP困難”問題）。但是不同的算法盲點往往不同，因此如果在實際應(yīng)用中能通過學習技術(shù)了解正在面對的是“哪些”具體問題類型，也就有可能有的放矢地選擇合適的算法。個人認為這是一個有趣的研究方向。